Downscaling Neural Network for Coastal Simulations
作者: Zhi-Song Liu, Markus Buttner, Vadym Aizinger, Andreas Rupp
分类: eess.IV, cs.LG
发布日期: 2024-08-29 (更新: 2025-07-01)
备注: 13 pages, 12 figures
💡 一句话要点
提出DNNCS模型，用于海岸模拟的时空超分辨率重建，提升洪水预测精度。
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction) 支柱八：物理动画 (Physics-based Animation)
关键词: 海岸模拟 超分辨率 深度学习 时空注意力 物理信息 洪水预测 数值模拟
📋 核心要点
- 现有海岸模拟方法计算成本高昂，难以获得高分辨率结果，限制了对海啸和风暴潮等灾害的预测精度。
- DNNCS模型利用神经网络学习低分辨率模拟到高分辨率模拟的映射关系，结合时空注意力机制和物理信息损失，提升重建质量。
- 实验结果表明，DNNCS在海岸模拟数据集上实现了优于现有方法的降尺度性能，RMSE降低了24%，并具有更快的计算速度。
📝 摘要（中文）
本文提出了一种用于海岸模拟的降尺度神经网络（DNNCS），旨在从粗糙表示中学习海岸海洋模拟的精细尺度细节。对于实际应用，高分辨率模拟对于理解许多海岸过程至关重要，特别是预测海啸和风暴潮造成的洪水。DNNCS通过时空增强来高效学习高分辨率数值解。该模型以低分辨率计算网格、低阶不连续伽辽金离散化和粗糙时间分辨率生成的海岸模拟图像为输入，学习生成高分辨率的自由表面高度和速度可视化结果。为了有效地模拟时间和空间上的动态变化，本文提出了网格感知的时空注意力机制，将时间特征投影到空间域以进行非局部特征匹配，并利用位置编码融入坐标信息。在最终重建阶段，使用时空双线性操作插值缺失帧，然后将特征图扩展到频域以进行残差映射。除了数据驱动的损失外，物理信息损失保证了梯度一致性和动量变化，它们的结合使均方根误差（RMSE）总体提高了24%。为了训练该模型，本文提出了一个新的海岸模拟数据集，并将其用于模型优化和评估。结果表明，与最先进的方法相比，该方法具有卓越的降尺度质量和快速的计算速度。
🔬 方法详解
问题定义：论文旨在解决海岸模拟中，从低分辨率模拟结果重建高分辨率时空数据的难题。现有的高分辨率数值模拟计算成本巨大，难以满足实时性和精度的需求。传统插值方法无法有效捕捉复杂的水动力学特征，导致预测精度不足。
核心思路：论文的核心思路是利用深度学习方法，学习低分辨率海岸模拟数据到高分辨率数据的映射关系。通过神经网络强大的非线性拟合能力，捕捉复杂的水动力学特征，实现高效且精确的超分辨率重建。同时，引入物理信息损失，约束模型的输出符合物理规律，提高泛化能力。
技术框架：DNNCS模型的整体框架包括以下几个主要模块：1) 特征提取：使用卷积神经网络从低分辨率输入图像中提取时空特征。2) 时空注意力：利用网格感知的时空注意力机制，将时间特征投影到空间域，实现非局部特征匹配，捕捉时空依赖关系。3) 位置编码：通过位置编码将坐标信息融入特征表示，增强模型对空间位置的感知能力。4) 重建模块：使用时空双线性插值填充缺失帧，并将特征图转换到频域进行残差映射，最终生成高分辨率的自由表面高度和速度场。
关键创新：论文的关键创新在于：1) 提出了网格感知的时空注意力机制，能够有效地捕捉海岸模拟中的时空依赖关系。2) 结合了数据驱动损失和物理信息损失，保证了重建结果的精度和物理一致性。3) 构建了一个新的海岸模拟数据集，为模型训练和评估提供了数据基础。
关键设计：在网络结构方面，采用了卷积神经网络进行特征提取，并使用残差连接加速收敛。时空注意力机制的设计考虑了网格结构，提高了计算效率。物理信息损失包括梯度一致性损失和动量变化损失，用于约束模型的输出符合流体动力学方程。训练过程中，采用了Adam优化器，并设置了合适的学习率和batch size。
🖼️ 关键图片
📊 实验亮点
实验结果表明，DNNCS模型在海岸模拟数据集上取得了显著的性能提升，RMSE相较于现有方法降低了24%。同时，该模型具有更快的计算速度，能够满足实时预测的需求。消融实验验证了时空注意力机制和物理信息损失的有效性。
🎯 应用场景
该研究成果可应用于海啸和风暴潮等极端天气事件的预测和预警，为沿海城市的基础设施建设和灾害管理提供决策支持。此外，该方法还可以推广到其他需要高分辨率模拟的领域，例如气候变化研究和海洋资源开发。
📄 摘要（原文）
Learning the fine-scale details of a coastal ocean simulation from a coarse representation is a challenging task. For real-world applications, high-resolution simulations are necessary to advance understanding of many coastal processes, specifically, to predict flooding resulting from tsunamis and storm surges. We propose a Downscaling Neural Network for Coastal Simulation (DNNCS) for spatiotemporal enhancement to efficiently learn the high-resolution numerical solution. Given images of coastal simulations produced on low-resolution computational meshes using low polynomial order discontinuous Galerkin discretizations and a coarse temporal resolution, the proposed DNNCS learns to produce high-resolution free surface elevation and velocity visualizations in both time and space. To efficiently model the dynamic changes over time and space, we propose grid-aware spatiotemporal attention to project the temporal features to the spatial domain for non-local feature matching. The coordinate information is also utilized via positional encoding. For the final reconstruction, we use the spatiotemporal bilinear operation to interpolate the missing frames and then expand the feature maps to the frequency domain for residual mapping. Besides data-driven losses, the proposed physics-informed loss guarantees gradient consistency and momentum changes. Their combination contributes to the overall 24% improvements in Root Mean Square Error (RMSE). To train the proposed model, we propose a novel coastal simulation dataset and use it for model optimization and evaluation. Our method shows superior downscaling quality and fast computation compared to the state-of-the-art methods.